پکیج آموزش یادگیری ماشین و علوم داده با پایتون

یکی از زیرشاخه‌های معروف هوش مصنوعی یادگیری ماشین یا Machine Learning می‌باشد که این روزها به شدت مورد بحث قرار می‌گیرد. تاثیر ماشین لرنینگ را هر روز در زندگی روزمره خود احساس می‌کنید و این علم تا حدودی در زندگی روزمره ما حضور دارد. اگر تصمیم گرفتید ماشین لرنینگ را یاد بگیرید و نمی‌دانید باید از کجا شروع کنید ، این دوره به شدت پیشنهاد میشه

قیمت پکیج
تومان 6,500,000
 

پیش نیاز:
پایتون مقدماتی و پیشرفته

 

نوع دوره:
پکیج

 

مدت زمان آموزش:
25 ساعت

 

روش پشتیبانی:
اپراتور اختصاصی

 

وضعیت آزمون:
ندارد

 

گواهینامه:
ندارد

 

خرید اقساطی:
ندارد

 

نحوه مشاهده:
ویدیو

درصد پیشرفت دوره: 100%

در پکیج آموزش یادگیری ماشین و علوم داده با پایتون چه خواهید آموخت

یادگیری ماشین یا ماشین لرنینگ چیست؟

اگر بخواهیم به زبان ساده تعریفی از Machine Learning داشته باشیم، باید بگوییم یادگیری ماشین علمی است که به ماشین‌ها یاد می‌دهد چطور چیزهای جدید از خودشان یاد بگیرند

 

خبر خوب اینه برای اینکه بتونید ماشین لرنینگ کار کنید، باید یکم به مباحث علوم داده مسلط بشید که ما اونم به شما یاد دادیم در ۳ فصل اول دوره 👌

 

یادگیری ماشین در کدام بخش‌های زندگی ما دیده می‌شود؟

 

احتمالا به این فکر می‌کنید که یادگیری ماشین کجای زندگی ما حضور دارد و اصلا به چه دردی می‌خورد. آیا واقعا این علم توانسته راهش را به زندگی روزمره ما باز کند؟ جواب مثبت است و می‌توانیم بگوییم تقریبا غیرممکن است زندگی عادی شما تحت تاثیر این شاخه شگفت‌انگیز قرار نگرفته باشد. نگاهی به سرویس‌های زیر بیندازید تا تاثیر ماشین لرنینگ در زندگی روزمره را حس کنید:

 

  •     گوشی هوشمند شما به طور خودکار چهره شما را تشخیص می‌دهد یا زمان عکس گرفتن چهره افراد را می‌تواند بشناسد.

 

  •     اینستاگرام، فیس بوک و سایر شبکه‌های اجتماعی با توجه به علایق و سلیقه شما تبلیغات و افراد مختلف را به شما نشان می‌دهند

 

  •     آمازون، دیجی کالا و سایر فروشگاه‌های آنلاین با توجه تاریخچه جستجو شما محصولات جالبی را پیشنهاد می‌دهند و فروش‌شان افزایش پیدا میکنه !

 

  •     بانک‌ها برای تشخیص تقلبی بودن بعضی از معاملات به صورت بلادرنگ از یادگیری ماشین استفاده می‌کنند.

 

  • مثال‌های بالا تنها اشاره کوتاهی به کاربردهای یادگیری ماشین داشتند و این حوزه بسیار گسترده‌تر است.

 

آشنایی با شغل‌های هوش مصنوعی و ماشین لرنینگ

1. مهندس یادگیری ماشین

 هر مهندس یادگیری ماشین  سالانه بین 120.000 تا 140.000 دلار درآمد دارد. البته افراد ماهر می‌توانند درآمد بیشتری هم داشته باشند.

2. دانشمند رباتیک

متوسط درآمد مهندسان رباتیک در زمان نگارش این مقاله در آمریکا به طور میانگین 75.000 دلار در سال است.

3 – مهندس یادگیری عمیق

4 – دانشمند داده

5 – متخصص بینایی ماشین

و....

کشف دارو ، کشف زبان صحبت با حیوانات ، کشف علایق مشتریان ،  رانندگی خودکار البته با کمک بینایی کامپیوتر و همه و همه جز ماشین لرنینگ و دیپ لرنینگ می‌باشد 

 

 

سرفصل های دوره پکیج آموزش یادگیری ماشین و علوم داده با پایتون

  • فصل 1

مباحث Numpy

  • فصل 2

مباحث Pandas

  • فصل 3

مباحث Matplotlib

  • فصل 4

آشنایی با ماشین لرنینگ

  • فصل 5

رگرسیون Regression

  • فصل 6 

دسته بندی Classification

  • فصل 7

خوشه‌بندی Clustering

  • فصل 8

سیستم‌های توصیه‌گر Recommender Systems

 

numpy مخفف numerical python است. Numpy کتابخانه ای است که می‌توان به کمک آن بر روی داده‌های عددی موجود در حافظه عملیات متنوعی انجام داد. آرایه های numpy شبیه به لیست های خود پایتون هستند ولی با این تفاوت که به گونه‌ای در حافظه ذخیره می‌شوند که می‌توان بر روی آن‌ها عملیات مختلفی را به صورت سریع‌تر انجام داد. در این جلسه به نصب و برسی Numpy می‌پردازیم
در این جلسه برسی روی تابع و دستورات numpy خواهیم کرد
در این جلسه در مبحث Numpy روی selection و sliceing صحبت خواهیم کرد
در این جلسه در مبحث Numpy روی Oprations صحبت خواهیم کرد بحث مهم و جذابه عملیاتی در numpy که بخش بزرگی از کار با دیتا ما وابسته به آن است
مرور کلی روی مباحث گفته شده Numpy برای استفاده در مباحث پیشرو
در این جلسه می‌خواهیم به pandas بپردازیم و نصب این کتابخونه را برسی کنیم شما می توانید با استفاده از کتابخانه پانداس در پایتون داده های خود را تمیز کرده و مرتب کنید. این ابزار با ابزارهای مشهور دیگر مانند matplotlib نیز کار می کند تا بتواند data visualization (بصری سازی داده) را نیز انجام دهد.
در این جلسه در مبحث pandas روی موضوع Series ها صحبت خواهیم کرد
در این جلسه در مبحث pandas روی موضوع DataFrames ها صحبت خواهیم کرد دیتا فریم ها در اصل همان دیتاهایی هستند که ما قراره باهاشون انالیز دیتاهامون رو انجام بدیم یا یکسری دیتاهارو به دیتا فریم تبدیل کنیم که کامل در این جلسه صحبت کردیم
در این جلسه در مبحث pandas روی موضوع Data missing ها صحبت خواهیم کرد مدیریت داده‌ گمشده یا ناموجود در این مبحث بسیار اهمیت بالایی در آنالیز دیتا دارد که در این جلسه کامل به آن پرداختیم
در این جلسه در مبحث pandas روی موضوع Groupby ها صحبت خواهیم کرد تابع groupby برای گروه‌بندی داده‌ها بر اساس مقادیر متمایز موجود یک ستون استفاده می‌شود
در این جلسه می‌خواهیم به merging and joining and Concatenatinh بپردازیم و نصب این کتابخونه را برسی کنبم برای ادغام (merge) و اتصال (join) مجموعه داده ها استفاده می‌شود و کامل در این جلسه به آن پرداختیم
در این جلسه در مبحث pandas روی موضوع Operations ها صحبت خواهیم کرد بحث عملگرا در همه مباحث اهمیت بسیاری دارد تا برای محاسبات در در اون کتابخانه مورد استفاده قرار بگیرد که بصورت مفصل آموزش دادیم
در این جلسه در مبحث pandas روی موضوع Input and output ها صحبت خواهیم کرد در این جلسه ورودی های دیتا و انواع در پانداس همچنین مدل های خروجی آن را مورد برسی قرار دادیم
در این جلسه یک تمرین مهم در pandas داریم که برای حرفه ای شدن به آن نیاز داریم
در این جلسه با یک دیتا تمرین دیگری انجام میدیم تا در کار با pandas به بهترین شکل بتونیم فعالیت کنیم
در این جلسه می‌خواهیم به Matplotlib بپردازیم و نصب این کتابخونه را برسی کنیم. Pyplot یک ماژول از کتابخانه رسم نمودار Matplotlib است که رابطی متلب مانند فراهم می‌کند. Matplotlib به گونه‌ای طراحی شده که به اندازه متلب (و حتی بیش از آن) کاربردی باشد و علاوه بر این، از مزیت کار با پایتون، «متن‌باز» (Open-Source) و رایگان بودن نیز بهره می‌برد.
در این جلسه به انواع رسم نمودار در Matplotlib می‌پردازیم
این جلسه ادامه جلسه قبلی می باشد که به تکمیل آن پرداختیم و مباحث بیشتری را درmatplotlib مورد برسی قرار دادیم
در این جلسه چندین تمرین بر اساس مباحثی که از کتابخانه Matplotlib یاد گرفتیم می‌پردازیم
در این جلسه به مباحث اضافی و تکمیلی برای رسم کردن انالیز دیتا پرداختیم تا بتوانیم در صورت نیاز از آن در ماشین لرنینگ استفاده مناسب داشته باشیم
بعد از مباحث آنالیز دیتا حالا وقت آن رسیده با یادگیری ماشین آشنا بشید که میریم یه صحبت کوتاه بر سیستم های نظارت شده و بدون نظارت همچین توصیه گر ها داشته باشیم
در این جلسه به توضیح کوتاه و تاریخچه رگرسیون ها می‌پردازیم
رگرسیون در واقع خطی است که در یک نمودار سعی داریم بصورت خط ساده روی مقادیر به بهترین شکل در بیاوریم در این چند جلسه پیش رو ابتدا با مفهوم رگرسیون و سپس با کتابخانه‌های مهمی که اشنا شدید از جمله numpy، pandas و matplotlib . و بعد پیاده‌سازی ساده‌ای از رگرسیون را خواهید آموخت و سپس سراغ مفاهیم پیشرفته‌تری از رگرسیون مثل رگرسیون غیرخطی و رگرسیون چندجمله‌ای می‌رویم و در انتها به پیاده‌سازی این موارد می‌پردازیم. که سعی کردیم به ساده ترین شکل بهتون توضیح بدیم
در این جلسه راجع به رگرسیون خطی ساده بصورت مفصل صحبت خواهیم کرد
این جلسه کامل به بحث اعتبار سنجی پرداختیم
این برنامه امکان استفاده مشارکتی، گسترده، مقیاس‌پذیر و قابل بازتولید را فراهم می‌کند. هنگامی که صحبت از ساخت «نمونه اولیه» (prototyping) سریع و بهتربن شکل تحلیل اکتشافی می‌شود، ژوپیتر نوت‌بوک برای بسیاری از افراد یک پلتفرم بالفعل واقعی به شمار
کد نویسی رگرسیون های خطی یا Simple Regression linear در این جلسه وقت آن رسیده رگرسیون های ساده را داخل کد کار کنیم . و متوجه خواهید شد چندتا عملگر کل رگرسیون هارو برای ما در چند خط انجام می.دهد
در این جلسه وقت آن رسیده رگرسیون های چند خطی اشنا شویم و بصورن کامل راجع بهش حرف بزنیم
در این جلسه وقت آن رسیده رگرسیون های چند خطی را داخل کد کار کنیم . و متوجه خواهید شد با چندتا عملگر کل رگرسیون هارو برای ما در چند خط انجام به خوبی رسم می‌کند و عمل می‌کند
در این جلسه با رگرسیون غیر خطی یا Nonlinear Regression صحبت خواهیم کرد
در این جلسه با رگرسیون غیر خطی بیشتر صحبت خواهیم کرد
در این جلسه وقت آن رسیده رگرسیون های غیر خطی را داخل کد کار کنیم . و متوجه خواهید شد چندتا عملگر و تغییرات رگرسیون هارو برای ما در چند خط رسم می کند و به خوبی عمل می‌کند
در این جلسه تکمیل مباحث قبلی رو داریم
برای این پروژه ما اطلاعات تقریبا ۳۰۰۰ آپارتمان در تهران را تهیه کرده ایم. تمامی داده ها کاملا واقعی هستند. وظیفه شما این است که با استفاده از ویژگی های دیتاست که در ادامه به تشریح آنها پرداخته‌ایم قیمت به دلار یا تومان را تخمین بزنید. داده ها درون فایل housePrice.csv ذخیره شده اند. تعداد اتاق خواب (Room) انباری دارد یا خیر (Warehouse) آسانسور دارد یا خیر (Elevator) پارکینگ دارد یا خیر (Parking) متراژ خانه به متر (Area) قیمت به تومان (Price) قیمت به دلار (Price(USD)) آدرس حدودی در تهران
طبقه‌ بندی classification یکی از زیر شاخه‌ های اساسی یادگیری ماشین و داده کاوی است. و اساس آن داده‌های جمع‌‌آوری شده از اعمال گذشته هستند. اعمالی که بر اساس دانش فرد خبره برچسب گذاری شدند. برای اینکه یک مدل طبقه‌ بند خوب داشته باشیم، باید با داده‌ها و ساختار آنها و نیز تعداد دسته‌ها (برچسب-کلاس-طبقه‌) اطلاع داشته باشیم. هر چند آشنایی با ساختار و نوع داده‌ها گاها عملی غیر ممکن است اما در صورت وجود یک آشنایی ساده گاها نیز می‌توان مدل طبقه بند درست را انتخاب کرد.
در این جلسه با الگوریتم KNN (k نزدیکترین همسایه - K-nearest neighbors) آشنا خواهیم شد الگوریتم KNN (k نزدیکترین همسایه - K-nearest neighbors) از "تشابه ویژگی" برای پیش بینی مقادیر نقاط داده جدید استفاده می کند؛ که به این معنی است که به نقطه داده جدید بر اساس میزان مطابقت آن با نقاط مجموعه آموزشی، یک مقدار تخصیص می دهد. با کمک مراحل زیر میتوان نحوه عملکرد آن را درک کرد.
در ادامه بحث های قبل ارزیابی KNN به موضوع ارزیابی این الگوریتم می‌پردازیم
کد نویسی الگوریتم KNN (k نزدیکترین همسایه - K-nearest neighbors) این جلسه برسی می‌کنیم
درخت تصمیم (Decision Tree) یکی از ابزارها و تکنیک‌هایی است که در مهارت‌های داده‌کاوی بسیار پر کاربرد است. زمانی که حجم داده‌ها بسیار بالا باشد این تکنیک می‌تواند به کمک شما بیاید.
کد نویسی الگوریتم درخت تصمیم (Decision Tree) این جلسه برسی می‌کنیم ریاضیات (Decision Tree) را برسی می‌کنیم
تکمیل جلسه قبلی
کد نویسی درخت تصمیم (Decision Tree) خواهیم داشت
در این جلسه مقدمه الگوریتم رگرسیون لجستیک (Logistic Regression) را می‌بینیم رگرسیون لجستیک اغلب برای بیان شدت رابطه خطی بین دو متغیر کمی از ضریب همبستگی استفاده می‌کنیم. همچنین برای نمایش مدل رابطه بین آن دو نیز از مدل رگرسیونی کمک می‌گیریم
این جلسه در ادامه بحث قبلی رگرسیون لجستیک و خطی را می‌بینیم
در دو جلسه قبلی رگرسیون لجستیک خطی را می‌دیدیم و این جلسه راجع بهش کامل صحبت کردیم
کد نویسی الگوریتم رگرسیون لجستیک (Logistic Regression) را در این جلسه برسی می‌کنیم
مقدمه ای بر الگوریتم SVM داریم ماشین بردار پشتیبانی (Support vector machines - SVMs) یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.
کد نویسی الگوریتم SVM را در این جلسه برسی می‌کنیم
روش‌‌ها و الگوریتم‌های متعددی برای تبدیل اشیاء به گروه‌های همشکل یا مشابه وجود دارد. الگوریتم k-میانگین یکی از ساده‌ترین و محبوب‌ترین الگوریتم‌هایی است که در «داده‌کاوی» (Data Mining) بخصوص در حوزه «یادگیری نظارت نشده» (Unsupervised Learning) به کار می‌رود.
در این پروژه شما باید با توجه به اطلاعات پزشکی یک بیمار که در ادامه به صورت کامل شرح داده شده است پیش بینی کنید که یک بیمار شانس کمی برای حمله قلبی دارد یا شانس زیادی؟! داده ها درون فایل heart.csv ذخیره شده اند. سن فرد (Age) جنسیت (Sex) آیا درد با فعالیت خاصی شروع میشود؟ (exang) عدد یک یعنی بله عدد صفر یعنی خیر تعداد رگهای اصلی (ca) مقداری از صفر تا سه نوع درد قفسه سینه (cp) مقدار ۱ : درد مستقیم قلبی مقدار ۲ : درد غیرمسقیم که منجر به حس کردن درد در قلب میشود مقدار ۳ : درد غیر قلبی
مقدمه ای بر الگوریتم خوشه‌بندی (Clustering) فرآیندی است که به کمک آن می‌توان مجموعه‌ای از اشیاء را به گروه‌های مجزا افراز کرد. هر افراز یک خوشه نامیده می‌شود. اعضاء هر خوشه با توجه به ویژگی‌هایی که دارند به یکدیگر بسیار شبیه هستند و در عوض میزان شباهت بین خوشه‌ها کمترین مقدار است. در چنین حالتی هدف از خوشه‌بندی، نسبت دادن برچسب‌هایی به اشیاء است که نشان دهنده عضویت هر شیء به خوشه است.
در الگوریتم خوشه بندی روش K-Means را برسی می‌کنیم روش‌‌ها و الگوریتم‌های متعددی برای تبدیل اشیاء به گروه‌های همشکل یا مشابه وجود دارد. الگوریتم k-میانگین یکی از ساده‌ترین و محبوب‌ترین الگوریتم‌هایی است که در «داده‌کاوی» (Data Mining) بخصوص در حوزه «یادگیری نظارت نشده» (Unsupervised Learning) به کار می‌رود.
با توجه به جلسه قبل و نکته هایی که‌گفته شد در خصوص K-Menas ، صحبت هامون رو تکمیل می‌کنیم
در این جلسه در کد روش خوشه‌بندی K-Menas را در رندوم دیتا می‌بینیم
در این جلسه روش خوشه‌بندی K-Menas را با دیتا کد نویسی می‌کنیم
در این جلسه خوشه‌بندی سلسله مراتبی (Clustering Hierarchical) را برسی می‌کنیم
ادامه جلسه قبل در بحث (Clustering Hierarchical) می‌پردازیم
در این جلسه با زبان پایتون خوشه‌بندی سلسله مراتبی (Clustering Hierarchical) را برسی می‌کنیم
در ادامه جلسه قبل در کد هامون بحث سلسله مراتبی را تکمیل می‌کنیم
مقدمه ای از الگوریتم DBSCAN را می‌بینیم یکی از تفاوت‌های اصلی این الگوریتم با KMeans این است که الگوریتم DBSCAN نیاز به تعیین تعدادِ خوشه توسط کاربر ندارد و خودِ الگوریتم می‌تواند خوشه‌ها را مبتنی بر غلظتِ آن‌ها شناسایی کند. اجازه بدهید در این درس ببینیم که این الگوریتم چگونه می‌تواند غلظت را شناسایی کند و خوشه‌ها را در میان داده‌های مختلف از یکدیگر تفکیک داده و شناسایی کند.
الگوریتم DBSCAN را در کد می‌بینیم
در این پروژه شما نیاز دارید مشتریان را در دسته های مختلف تقسیم کنید. ویژگی داده ای که در اختیار شماست به صورت زیر است. پیشنهاد میشود از تمامی الگوریتم های خوشه بندی را جهت بهبود الگوریتم خود امتحان کنید. شناسه کاربر (CustomerID) جنسیت کاربر (Gender) سن کاربر (Age) درآمد سالیلانه (Annual Income) امتیاز کاربر بر اساس رفتار (Spending Score)
مقدمه سیستم توصیه‌گر (Recommender System) را می‌بینیم سیستم توصیه‌گر (Recommender System) در دنیایی که ما زندگی می‌کنیم، یکی از بهترین پیشرفت‌های فناوری به حساب می‌آید؛ مخصوصا اگر کسب و کار اینترنتی داشته باشید و هر روزه کاربران بسیاری از وب سایت شما بازدید کنند. سیستم‌های توصیه‌گر براساس الگوریتم‌های از پیش تعیین شده، علائق کاربر و تاریخچه جست‌وجو، پیشنهادهای مرتبط را به کاربران یا مشتریان می‌دهند؛ این پیشنهادها مطمئنا نقش مهمی در افزایش تعامل کاربران با وب سایت و حتی افزایش فروش دارد.
در مبحث سیستم توصیه‌گر به بحث content Based می‌پردازیم
در جلسه قبل به مبحث سیستم توصیه‌گر به content Based پرداختیم ، حالا در کد آن را می‌بینیم
در این جلسه در بحث سیستم توصیه‌گر ، به سیستم collaborative Filtring می‌پردازیم
در جلسه قبل به مبحث سیستم توصیه‌گر به collaborative Filtring پرداختیم ، حالا در کد آن را می‌بینیم
در این پروژه شما باید یک سیستم توصیه‌گر بسازید . داده‌ها مربوط به فیلم های وبسایت IMDB هستند. دو فایل وجود دارد که یکی لیست فیلم‌ها و ژانر آن‌ها و دیگری امتیاز کاربران به این فیلم‌ها. از آنجایی این مثال در آزمایشگاه توضیح داده شده است، انتظار می‌رود یک فایل نوتبوک جدید بسازید و کدها را توضیح دهید. نتیجه کدها و گزارش خود را در قالب جوپیتر نوتبوک ارسال کنید. هرچه گزارش شما و توضیح شما درباره کدها کامل تر باشد نمره کامل تری نیز دریافت می‌کنید. فایل‌های مورد نیاز به صورت زیپ در پیوست آمده‌اند. فا

نظرات ثبت شده کاربران

هیچ نظری ثبت نشده! اولین نفری باش که نظرشو ثبت میکنه!

دیدگاه خود را ثبت کنید

برای ثبت نظر، ابتدا وارد شوید.

سوالات متداول از پکیج آموزش یادگیری ماشین و علوم داده با پایتون

پایتون مقدماتی و پیشرفته کافی می‌باشد
ریاضی در همه مراحل زندگی به درد ما میخورد ! همین که شما حساب کتاب خرج ماهیانه خود را می‌کنید یعنی دارید از ریاضی استفاده می‌کنید ! در هوش مصنوعی هم اینجوریه با این تفاوت که در برنامه نویسی با چند خط کد براتون کار محاسبات انجام می‌شود ولی خوبه بدانید پشت آن کد چی بوده اینجوری ممکنه بهتر عمل کنید
اگر شما عزیزان دورهای مارو تهیه کرده باشید می‌فهمید ،مجموعه ما خیلی بیشتر از آنچه طی می‌کند عمل می‌کند و سعی بر پیشرفت همه اعضای خانواده دارد ♥️ این کارو جز اینکه از خانوادت بدونی کسی انجام نمی‌دهد :)
بعد این دوره شما به خوبی بر مباحث ماشین لرنینگ آشنا و مسلط می‌شوید و انتظار میره به راحتی بتوانید با شروع پر قدرت در عرصه برنامه نویسی وب و از پروژه های کوچیک به بزرگ قدم بگذارید و تجربه کسب کنید ودر نهایت کسب درآمد کنید